Hoy hay una noticia muy popular en Hacker News, que informa que la tasa de desempleo en California ha aumentado al 5.5%, la más baja del país, y que la industria tecnológica está teniendo dificultades: "El mercado laboral es demasiado cruel". > Según los datos del gobierno estatal publicados el viernes, la tasa de desempleo en California en julio alcanzó el 5.5%, ocupando el primer lugar entre todos los estados de EE. UU. Detrás de esto está la continua debilidad de la industria tecnológica y otros puestos de trabajo de oficina, así como la baja en el mercado de contratación. La noticia atribuye esto a la debilidad de la industria tecnológica, ya que este sector tiene un papel crucial en la economía de California. Esta noticia ha generado un intenso debate en la comunidad de Hacker News, donde todos han analizado las causas subyacentes desde sus propias perspectivas, revelando que es mucho más complejo de lo que sugiere el titular. Creo que la discusión anterior resume bastante bien por qué el empleo en la industria tecnológica es bajo en este momento. 1. En primer lugar, el punto central es: el adiós a las múltiples secuelas de la "era de tasas de interés cero" Este es el punto más común y profundo en la discusión. Muchas personas creen que la actual crisis de la industria tecnológica no es causada por un solo factor, sino que es una reacción en cadena provocada por el final de la era de "política de tasas de interés cero" (ZIRP, Zero Interest Rate Policy) de la última década. - Estallido de la burbuja de capital: Desde aproximadamente 2012 hasta 2022, las tasas de interés extremadamente bajas hicieron que el capital fuera anormalmente barato. Una gran cantidad de capital de riesgo (VC) fluyó hacia la industria tecnológica, dando lugar a innumerables modelos de negocio que dependían del crecimiento "quemando dinero", especialmente aquellos sin valor real como las criptomonedas (Crypto) y las empresas del metaverso (Metaverse). Con el aumento de las tasas de interés por parte de la Reserva Federal, la era del capital barato llegó a su fin, lo que llevó a la ruptura de la cadena de financiamiento de estas empresas, resultando en despidos masivos y quiebras. - Desequilibrio en la oferta y demanda de talento: Durante la era ZIRP, el mito de los altos salarios en la industria tecnológica atrajo a una gran cantidad de talento. Los programas de ciencias de la computación (CS) en las universidades ampliaron sus cupos, los campamentos de programación (boot camp) proliferaron, y junto con la inmigración técnica, la oferta de ingenieros de software aumentó drásticamente en diez años. Sin embargo, con la retirada del capital, la demanda (especialmente de las startups) se redujo drásticamente, causando un grave exceso de talento. - Efectos colaterales en industrias como la biotecnología: La biotecnología (Biotech) y otras industrias que también dependen de inversiones a largo plazo y de alto riesgo también han sido gravemente afectadas. Estas industrias dependen del capital barato incluso más que la industria del software. Después del fin de la ZIRP, el capital de los VC se ha ido agotando gradualmente, y las startups, al agotar su "capital de pista" (runway), no pueden obtener nuevas rondas de financiamiento, lo que las obliga a despedir personal o cerrar. > (por tqi): "En mi opinión, es demasiado pronto para decir que la 'IA' tiene un impacto sustancial en la contratación de empresas de software. Una explicación más razonable es que entre 2012 y 2022, la oferta de ingenieros de software aumentó drásticamente... mientras que en el lado de la demanda, el capital de riesgo de la era de tasas de interés cero se dirigió principalmente a esas criptomonedas y empresas del metaverso que no lograron tener éxito, lo que ha llevado a una falta de empresas posteriores o nuevas que puedan absorber a estos talentos en el mercado ahora." 2. La "espada de doble filo" del trabajo remoto: la nueva ola de externalización global La pandemia de COVID-19 popularizó el trabajo remoto (Work From Home, WFH), que en su momento fue visto como una bendición por muchos desarrolladores, pero ahora sus efectos negativos comienzan a manifestarse. - Allanar el camino para la externalización: Cuando los desarrolladores luchan por obtener el derecho a trabajar completamente de forma remota, pueden no darse cuenta de que esto también abre la puerta a que las empresas externalicen puestos a países con costos más bajos. Dado que todos están trabajando de forma remota, ¿por qué no contratar a un ingeniero indio o de Europa del Este que sea igual de competente y gane solo 1/5 del salario de un ingeniero estadounidense? - La oficina de la que "no se puede volver": Algunos comentaristas creen que las políticas de "regreso a la oficina" (Return to Office, RTO) impulsadas por las empresas tecnológicas son, en cierta medida, para proteger los puestos de trabajo locales. Una vez que se demuestra que el trabajo se puede realizar al 100% de forma remota, entonces puede hacerse desde cualquier parte del mundo, y la ventaja salarial de los ingenieros estadounidenses ya no existirá. - Debate sobre la calidad de la externalización: Otros argumentan que la externalización ha existido durante décadas, y que el desarrollo de software de alta calidad aún requiere talento local de primer nivel, ya que los problemas de costos de comunicación, diferencias horarias y antecedentes culturales son difíciles de resolver. Sin embargo, los usuarios que apoyan la externalización creen que, con la madurez de las herramientas de colaboración remota y la mejora de los modelos de gestión, estos obstáculos se están superando gradualmente. > (por aurareturn): "Desde 2022 he estado diciendo en HN: todos los desarrolladores de América del Norte que apoyan el trabajo completamente remoto, cuando su empresa decida reemplazarlos con personas en el extranjero, se llevarán una gran sorpresa. Dado que todos están trabajando de forma remota, ¿por qué la empresa debería gastar cinco veces más en contratarte, en lugar de un empleado en el extranjero que trabaje más duro y se queje menos?... Las órdenes de regresar a la oficina, a largo plazo, podrían salvar tu carrera." 3. El papel de la IA: ¿herramienta de productividad, excusa para despidos o "vampiro" de capital? La discusión sobre el papel de la inteligencia artificial (IA) en esta ola de despidos presenta divisiones complejas. - Efecto de sustitución directo limitado: La mayoría de las personas coinciden en que la IA actual aún no puede reemplazar completamente a los ingenieros de software experimentados. Pero ya ha comenzado a reemplazar algunos trabajos iniciales y repetitivos, como algunas pequeñas tareas de consultoría. Algunos consultores han compartido que sus clientes ya no los contactan porque pueden resolver pequeños errores con ChatGPT. - La "excusa perfecta" para despidos: Un punto de vista común es que la IA se ha convertido en la "excusa perfecta" para que las empresas realicen despidos y reduzcan costos. Incluso si la razón fundamental de los despidos es la recesión económica o decisiones de la alta dirección, las empresas están encantadas de empaquetarlo como un ajuste estratégico de "adopción de IA y mejora de la eficiencia". - El "agujero negro" del capital: La IA desempeña otro papel clave: absorbe el capital de riesgo que aún queda en el mercado, que podría fluir hacia otros sectores tecnológicos. Los VC ahora están casi exclusivamente interesados en proyectos de IA, lo que agrava las dificultades de financiamiento para las startups en sectores no relacionados con la IA. 4. ¿La "desindustrialización" de la industria tecnológica? Preocupaciones estructurales sobre el futuro Algunos participantes de la discusión expresaron preocupaciones sobre el futuro desde una perspectiva más macro, comparando la industria tecnológica con la "cintura de óxido" (Rust Belt) de la manufactura que alguna vez fue próspera y luego decayó. - Repetición de la pérdida de empleos: Así como Estados Unidos externalizó la manufactura a China, ahora los trabajos de TI y desarrollo de software se están trasladando masivamente a India, América Latina y Europa del Este. Esto podría llevar a que el grupo de ingenieros de software, que alguna vez tuvo altos salarios, enfrente un desempleo estructural a largo plazo. - Impacto político y social: Si desaparecen muchos puestos de trabajo tecnológicos de clase media, podría desencadenar nuevos problemas sociales y políticos, al igual que la caída de la "cintura de óxido" sigue afectando el panorama político de EE. UU. - Controversia sobre inmigración y políticas de visas (H1B/O1): Parte de la discusión apunta a las visas de trabajo como la H1B, argumentando que se han abusado, lo que ha reducido los salarios de los ingenieros locales y ha intensificado la competencia. Otros defienden firmemente la inmigración técnica, argumentando que son estos talentos de primer nivel de todo el mundo (como los graduados de la Universidad de Waterloo) los que constituyen la base de la innovación en Silicon Valley. 5. Cambios en la gestión y cultura empresarial: el "efecto Musk" Un punto de vista interesante es que los despidos masivos de Musk en Twitter (ahora X) han tenido un efecto demostrativo. - La racionalización de los despidos: Cuando Musk despidió a más del 75% de los empleados de Twitter, el producto aún pudo funcionar, lo que llevó a muchos CEO a reflexionar: "Si él puede hacerlo, ¿por qué yo no?" Esto rompió la mentalidad anterior de que "cuantos más talentos, mejor" en las empresas tecnológicas, haciendo que los despidos masivos sean más aceptables tanto psicológica como comercialmente. 6. Factores políticos y de políticas: controversia sobre cambios en la ley fiscal Una pista técnica pero de gran alcance es sobre los cambios en la ley fiscal de EE. UU. - Reglas de amortización de gastos de I+D (Sección 174): En la reforma fiscal del gobierno de Trump de 2017 (TCJA), hay una disposición que exige a las empresas, a partir de 2022, amortizar los salarios y otros gastos de I+D (investigación y desarrollo) en un período de cinco años, en lugar de deducirlos en su totalidad en el año en que se incurrieron. Esto ha aumentado enormemente la carga fiscal de las empresas tecnológicas (especialmente las startups), lo que ha inhibido su disposición a contratar en EE. UU. - Efecto corrector de la reciente legislación: La reciente aprobación de la "Ley de Reconstrucción de un Futuro Mejor" (Build Back Better, BBB) ha corregido parcialmente este problema, permitiendo que los gastos de I+D nacionales se deduzcan nuevamente de inmediato. Algunos comentaristas creen que han sentido un repunte en el mercado laboral alrededor de julio, lo que podría estar relacionado con esto. Finalmente A partir de estas discusiones, parece que las razones del bajo empleo en la industria tecnológica de California son bastante complejas y no se deben a un solo factor, ni se pueden simplificar a "la IA reemplaza a los humanos" o "una recesión cíclica de la industria", sino que son el resultado de una combinación de la liquidación económica tras el fin de la era de tasas de interés cero, la reestructuración del mercado laboral global provocada por el trabajo remoto, el doble impacto de la IA como nueva tecnología y imán de capital, así como cambios en políticas fiscales específicas. ¿Y quién sabe cuándo podremos salir de esta situación? O quizás las razones no se limitan solo a lo que se ha discutido anteriormente.

Transcripción: ¿Por qué los grandes modelos de lenguaje no pueden construir software realmente? Autor: Conrad Irwin Una de las cosas en las que he pasado mucho tiempo es en entrevistar a ingenieros de software. Esto es, evidentemente, una tarea ardua, y no me atrevería a decir que tengo algún truco especial; pero esta experiencia me ha dado tiempo para reflexionar sobre lo que realmente hace un ingeniero de software eficiente. El ciclo central de la ingeniería de software Cuando observas a un verdadero experto, te das cuenta de que siempre están ejecutando un ciclo de los siguientes pasos: * Construir un modelo mental sobre los requisitos. * Escribir (¡espero!) código que cumpla con los requisitos. * Construir un modelo mental sobre el comportamiento real del código. * Identificar las diferencias entre ambos y luego actualizar el código (o los requisitos). Hay muchas maneras de completar estos pasos, pero la habilidad sobresaliente de los ingenieros eficientes radica en que pueden construir y mantener modelos mentales claros. ¿Cómo se desempeñan los grandes modelos de lenguaje? A decir verdad, los grandes modelos de lenguaje son bastante buenos escribiendo código. Cuando señalas un problema, también son bastante buenos actualizando el código. Pueden hacer todo lo que un ingeniero humano haría: leer código, escribir y ejecutar pruebas, agregar registros y (supongo) usar un depurador. Pero lo que no pueden hacer es mantener un modelo mental claro. Los grandes modelos de lenguaje caen en una confusión interminable: asumen que el código que escriben realmente funciona; cuando las pruebas fallan, solo pueden adivinar si deben arreglar el código o arreglar las pruebas; cuando se sienten frustrados, simplemente eliminan todo y comienzan de nuevo. Esto es exactamente lo opuesto a las cualidades que espero de un ingeniero. Los ingenieros de software trabajan y prueban al mismo tiempo. Cuando las pruebas fallan, pueden consultar su modelo mental para decidir si deben arreglar el código o las pruebas, o si deben recopilar más información antes de tomar una decisión. Cuando se sienten frustrados, pueden buscar ayuda hablando con otros. Aunque a veces también eliminan todo y comienzan de nuevo, eso es una elección que hacen después de tener una comprensión más clara del problema. Pero pronto estará bien, ¿verdad? ¿Cambiará esto a medida que los modelos se vuelvan más capaces? Tal vez, ¿¿pero?? Creo que eso requeriría un cambio fundamental en la forma en que los modelos construyen y optimizan. El modelo que necesita la ingeniería de software no es simplemente uno que pueda generar código. Cuando una persona se enfrenta a un problema, puede dejar de lado temporalmente todo el contexto y concentrarse en resolver el problema inmediato, y luego volver a su pensamiento anterior y al gran problema en cuestión. También pueden alternar entre la visión macro y los detalles micro, ignorando temporalmente los detalles para centrarse en el panorama general, y profundizando en los detalles cuando es necesario. No nos volveremos más eficientes simplemente porque metamos más palabras en nuestra "ventana de contexto"; eso solo nos volverá locos. Incluso si podemos manejar grandes cantidades de contexto, sabemos que estos modelos generativos actuales tienen varios problemas graves que afectan directamente su capacidad para mantener un modelo mental claro: * Omisión de contexto: los modelos no son buenos para detectar información contextual que se ha pasado por alto. * Sesgo de novedad: sufren de un sesgo de novedad severo al manejar la ventana de contexto. * Alucinaciones: a menudo "alucinan" detalles que no deberían existir. Estos problemas pueden no ser insuperables, y los investigadores están trabajando para agregar memoria a los modelos, para que puedan exhibir técnicas de pensamiento similares a las nuestras. Pero, desafortunadamente, por ahora, no pueden (más allá de un cierto nivel de complejidad) realmente entender lo que está sucediendo. No pueden construir software porque no pueden mantener simultáneamente dos "modelos mentales" similares, identificar las diferencias entre ellos y decidir si deben actualizar el código o los requisitos. Entonces, ¿qué hacer ahora? Evidentemente, los grandes modelos de lenguaje son útiles para los ingenieros de software. Pueden generar código rápidamente y se desempeñan bien en la integración de requisitos y documentación. Para algunas tareas, esto es suficiente: los requisitos son lo suficientemente claros, el problema es lo suficientemente simple, y pueden hacerlo de una vez. Dicho esto, para cualquier tarea que tenga un poco de complejidad, no pueden mantener suficiente contexto con suficiente precisión para producir finalmente una solución viable a través de iteraciones. Tú, como ingeniero de software, aún necesitas asegurarte de que los requisitos sean claros y de que el código realmente cumpla con la funcionalidad que dice tener. En Zed, creemos que en el futuro los humanos y las inteligencias artificiales pueden colaborar para construir software. Sin embargo, estamos firmemente convencidos (al menos por ahora) de que tú eres el conductor que tiene el control del volante, y los grandes modelos de lenguaje son solo otra herramienta a tu alcance.

Ayer fui a la conferencia de gerentes de producto de CSDN para dar una charla. Hace tres meses, cuando los amigos de CSDN me invitaron a dar una charla en la conferencia de gerentes de producto, en realidad quería rechazar la invitación. La razón es que mi empresa emergente apenas se había establecido hace seis meses y no tenía mucho conocimiento o experiencia que pudiera compartir con todos. Sin embargo, los amigos de CSDN dijeron que no había problema, que la conferencia era dentro de tres meses, que había tiempo de sobra y que también podría compartir algunas experiencias de productos anteriores. Por casualidad, la semana pasada, después de lanzar FlowSpeech, la reputación del producto se disparó, el MRR aumentó tres veces y el ARR también superó un pequeño objetivo. Lo más importante es que nuestros usuarios ganaron dinero real al usar el producto, lo cual es la mejor prueba de nuestra capacidad de producto. Así que ayer, durante mi charla, bromeé diciendo que el valor de esta presentación en PPT había aumentado drásticamente, así que les pedí que prestaran atención.

"Como agricultor, solo compro alimentos orgánicos; como profesional de IA, solo consumo contenido que no sea generado por IA"😅

Vibe Coding es un término engañoso y poco adecuado, su mayor significado radica en utilizar IA para el desarrollo de prototipos, lo que puede ayudar a determinar rápidamente los requisitos del producto. En la ingeniería de software, el código de desarrollo de prototipos suele ser desechable; al desarrollar el producto de manera formal, es necesario rehacer el diseño del sistema, volver a codificar e implementar. El resultado de Vibe Coding es similar: una vez que se han determinado los requisitos, aún es necesario rediseñar y volver a desarrollar.

En la ingeniería de contexto, el agente debe interactuar con herramientas y entornos para obtener datos que completen el contexto.

Tutorial de autoaprendizaje de Ciencias de la Computación TeachYourselfCS Si eres un ingeniero autodidacta o has graduado de un curso de programación, es muy necesario que aprendas Ciencias de la Computación. Afortunadamente, no necesitas gastar años y una gran cantidad de dinero para obtener un título: solo con tu esfuerzo, puedes obtener una educación de nivel mundial 💸. En Internet, hay muchos recursos de aprendizaje, pero hay tanto lo bueno como lo malo. Lo que necesitas no es una lista de "200+ cursos en línea gratuitos", sino las respuestas a las siguientes preguntas: ¿Qué materias deberías estudiar y por qué? ¿Cuáles son los mejores libros o cursos en video para estas materias? En esta guía, intentamos dar respuestas definitivas a estas preguntas.

¡Hola amigos! ～ Solo gané 20 yuanes con 3 millones de usuarios: la falsa prosperidad de las herramientas de IA - ListenHub Contar chistes, ¿quién no puede? Antes, muchas personas estaban muy interesadas en el caso que compartí en Hardland Hacker, así que hice un pódcast de chistes usando @oran_ge en ListenHub. ¡Pueden venir a escucharlo!

Muchos amigos están interesados en las limitaciones de uso de la versión de equipo (Team) y la versión empresarial (Enterprise) de ChatGPT. Ahora, el equipo oficial ha publicado dos nuevos artículos de preguntas frecuentes (FAQ) que explican esto. * Versión de equipo de ChatGPT - El uso de GPT-5 y GPT-4o no tiene restricciones, pero hay las siguientes limitaciones específicas para diferentes versiones de modelos: * 200 solicitudes de pensamiento (Thinking) de GPT-5 por día * 2800 solicitudes de pensamiento mini (Thinking mini) de GPT-5 por semana * 15 solicitudes de GPT-5 Pro por mes * 500 solicitudes de GPT-4.1 cada 3 horas * 300 solicitudes de o4-mini y o3 por día * Versión empresarial de ChatGPT - El uso de GPT-5, GPT-4o y GPT-4.1-mini no tiene restricciones, pero hay las siguientes limitaciones específicas para diferentes versiones de modelos: * 200 solicitudes de pensamiento (Thinking) de GPT-5 por semana * 15 solicitudes de GPT-5 Pro por mes * 20 solicitudes de GPT-4.5 por semana * 500 solicitudes de GPT-4.1 cada 3 horas * 300 solicitudes de o4-mini por día * 100 solicitudes de o4-mini-high por día * 100 solicitudes de o3 por semana * 15 solicitudes de o3-pro por mes El artículo de FAQ también menciona que, actualmente, la limitación del modelo de pensamiento (Thinking) de GPT-5 es temporal y, de hecho, es más alta que las limitaciones a largo plazo enumeradas anteriormente.

Este punto es cierto: es mejor decir en el Prompt lo que se debe hacer en lugar de lo que no se debe hacer. Los grandes modelos son similares a las personas en este aspecto; cuanto más se les prohíbe hacer algo, más fácil es que se sientan atraídos por ello.